JP3703858B2

JP3703858B2 - Attribution discrimination device

Info

Publication number: JP3703858B2
Application number: JP24561893A
Authority: JP
Inventors: 一之金井
Original assignee: Sysmex Corp
Current assignee: Sysmex Corp
Priority date: 1993-09-30
Filing date: 1993-09-30
Publication date: 2005-10-05
Anticipated expiration: 2020-10-05
Also published as: DE69432885D1; CN1121207A; EP0646881A2; US5619990A; JPH07105166A; KR950009256A; EP0646881B1; EP0646881A3; TW290663B; KR100328119B1; CN1099652C

Description

【０００１】
【産業上の利用分野】
この発明は、２群線形判別の分析結果を統合して多群判別を行うことにより、被検データがどの群に帰属するのかの判別を行う帰属度判別装置に関する。この装置は、例えば疾患の診断（患者がどの疾患群に属するのかの診断）に有効に用いられる。
【０００２】
【従来の技術】
２群線形判別分析は、着目する対象が２群の内のいずれの群に帰属するのかを統計的に判別する手法として、たいへんポピュラーな方法である。また、この２群線形判別分析は、知識獲得の観点からも最終的には２群線形判別関数の判別値の正負で２群の内のいずれの群に帰属するのかを判別するため、たいへん情報圧縮率が高い。
【０００３】
一方、ある疾患データに対して、考えられる多群の中から１群を決定する方法（診断システム）としては、エキスパートシステムを代表とする記号化した知識と推論エンジンで演繹的に実現する方法、ニューラルネットワークの学習を利用する方法、多変量解析の応用としての多群判別のように帰納的に実現する方法などがある。
【０００４】
人間たとえば熟練した専門医がどのような思考過程で多群の中から１群を決定するかを考えて見ると、決して多群から一気に１群を決定することはせず、考え得る群を数群に絞り、それらを相互に比較することにより、最も「らしい」群を決定しているのではないかと思われる。このようなプロセスは、一般に「選好プロセス」と呼ばれており、人間が比較的得意とするものである。
【０００５】
このような多群パターンの認識については、電子情報通信学会論文誌 A Vol.J72-A No.1 pp.41-48（１９８９年１月）に、対判別による多群パターン認識に関する記載がある。
【０００６】
この多群パターンの認識においては、すべての対について２群間の判別を行い、これらの結果を統合して多群への判定結果を出すようにしている。すなわち、全群に共通の分散共分散行列を仮定するのではなく、対ごとに分散共分散行列を仮定し、未知入力パターンｘに対し各群Πｉ，Πｊからのマハラノビスの距離Ｄｉ²，Ｄｊ²、事後確立Ｐ（Πｉ｜ｘ），Ｐ（Πｊ｜ｘ）を計算し、マハラノビスの距離Ｄｉ²，Ｄｊ²の大小、または事後確立Ｐ（Πｉ｜ｘ），Ｐ（Πｊ｜ｘ）の大小から判別結果を出し、これを基準化し（基準化対統計量）統合した上で、最終的に未知入力パターンｘの分類結果を得るようにしている。ただし、事後確立Ｐ（Πｉ｜ｘ），Ｐ（Πｊ｜ｘ）に関しては、具体的な算出方法の記載はない。
【０００７】
さらに、ここには、最終結果を得る方法として、多数決法、ミニマックス法、及び期待値による方法が示されている。この多数決法とは、２群判別結果を集計して多数決によって正解を得ようとするものである。ミニマックス法とは、群数が多い場合に有効であり、マハラノビスの距離のなかで最大値を求め、距離が大きくなったときその群に属することを否定するものである。期待値による方法とは、群Πｉに関する基準化対統計量の期待値をとり、最良の結果を与える群を解とするものである。
【０００８】
【発明が解決しようとする課題】
しかしながら、このような従来の多群判別においては、例えば、実際に各疾患を判別するシステムを構築する際には、知識獲得（線形判別関数の算出など）に用いるデータの質の違いにより、得られた線形判別関数の信憑性が違うことが普通である。
【０００９】
また、実際の疾患の判別においては、非常に重要な意味を持つ組み合わせの２群判別と、あまり意味を持たない組み合わせの２群判別とがあり、すべての組み合わせの２群判別を平等に考えることは好ましくない。専門医は経験をベースとして無意識の内にこのような処理を行っていると思われる。
以上のことがらは、現実の多群判別システム、特に疾患の判別を行うシステムにとっては、たいへん重要なポイントとなる。
【００１０】
この発明は、このような事情を考慮してなされたもので、２群線形判別により、被検データが多群中のどの群に帰属するのかを算出すると同時に、各２群の組み合わせの判別毎にその支持度合を求め、その支持度合を参照して被検データの帰属度を判別することにより、従来よりも高い信頼性で帰属度の判別を行えるようにした帰属度判別装置に関する。
【００１１】
【課題を解決するための手段】
図１はこの発明の構成を示すブロック図であり、図に示すように、この発明は、疾患の判別に用いられる帰属度判別装置であって、多数の疾患群について各群の疾患データをあらかじめ記憶した記憶手段１０１と、記憶手段１０１に記憶された多数の疾患群の中から任意の２群を、全ての組み合わせについて選択し、選択した各２群を最適に２分する線形判別関数を、各２群毎にそれぞれ設定する判別関数設定手段１０２と、判別関数設定手段１０２によって設定された各２群毎の線形判別関数を用いて、各２群毎に被検データがどちらの群に属するのかの２群判別結果を算出する２群判別結果算出手段１０３と、２群判別結果算出手段１０３による２群判別結果の支持度合を各２群毎に決定する支持度合決定手段１０４と、各２群毎の２群判別結果と支持度合とに基づき、各群に対する被検データの帰属度を算出する帰属度算出手段１０５を有し、帰属度算出手段１０５が算出した各群に対する被検データの帰属度を出力装置に出力させる、帰属度判別装置である。
【００１２】
この発明における記憶手段１０１としては、フロッピーディスク装置や磁気ディスク装置などの各種の外部記憶装置を用いることができる。
判別関数設定手段１０２、２群判別結果算出手段１０３、支持度合決定手段１０４、及び帰属度算出手段１０５としては、ＣＰＵ，ＲＯＭ，ＲＡＭ，Ｉ／Ｏポートからなるマイクロコンピュータを用いることができる。
【００１３】
この発明においては、支持度合決定手段１０４による支持度合は、僅差で判別されたのか大差で判別されたのかの度合を数量化した２群判別度合と、線形判別関数の確からしさの度合を数量化した判別関数の確信度と、判別しようとする２群の重要性の度合を数量化した重要度との、３つの要素の少なくとも１つを考慮することによって決定されることが好ましい。
【００１４】
また、支持度合決定手段１０４の支持度合における２群判別度合は、被検データの各２群に対するマハラノビスの距離の２乗を求め、それらの数値の距離比を求め、この距離比を正規化したものを２群判別度合とすることによって求められることが好ましい。
【００１５】
さらに、支持度合決定手段１０４の支持度合における判別関数の確信度は、判別関数設定手段によって各２群毎にそれぞれ線形判別関数が設定されるときの判別性能の評価指標の１つである相関比によって決定されることが好ましい。
【００１６】
【作用】
この発明によれば、判別関数設定手段により、記憶手段に記憶された多数の群の中から任意の２群を選択し、選択した２群を最適に２分する線形判別関数を設定する。次に、その線形判別関数を用いて、２群判別結果算出手段により、被検データが２群の内どちらの群に属するのかの２群判別結果を得るとともに、支持度合決定手段により、その２群判別結果の支持度合を得、これをすべての２群対の組み合わせについて行う。
【００１７】
そして、得られた２群判別結果と支持度合とに基づいて、被検データの各群に対する帰属度を算出する。このことにより、獲得知識の実状にあった的確な疾患群の判別ができる。
【００１８】
【実施例】
以下、図面に示す実施例に基づいてこの発明を詳述する。なお、これによってこの発明が限定されるものではない。
【００１９】
この実施例においては、血液分析装置から得られる、ＷＢＣ（白血球数），ＲＢＣ（赤血球数），ＨＧＢ（ヘモグロビン量），ＭＣＶ（平均赤血球容積），ＭＣＨＣ（平均赤血球ヘモグロビン濃度），ＰＬＴ（血小板数），ＲＤＷ（赤血球分布幅）の７種の測定データを用いて、７次元の被検データＸ（＝Ｘ１，Ｘ２，Ｘ３，Ｘ４，Ｘ５，Ｘ６，Ｘ７）が、β−サラセミア，鉄欠乏性貧血，２次性貧血▲１▼，２次性貧血▲２▼，２次性貧血▲３▼，再生不良性貧血＋ＭＤＳ，溶血性貧血▲１▼，溶血性貧血▲２▼，巨赤芽球性貧血，鉄欠乏性貧血治療中，臍帯血，多血症，正常（成人），正常（小児）の１４群の、いずれの群（疾患）に属するのかの判別を行う場合について説明する。
【００２０】
図２はこの発明による帰属度判別装置の一実施例の構成を示すブロック図である。この図において、１０はフロッピーディスク装置や磁気ディスク装置などの各種の外部記憶装置から構成されるデータベース、１２は２群判別分析装置、１４は例えばＲＡＭのような記憶装置、１６は制御装置、１８はＣＲＴディスプレイ装置のような表示装置やドットプリンタのような印字装置からなる出力装置である。２群判別分析装置１２及び制御装置１６は、ＣＰＵ，ＲＯＭ，ＲＡＭ，Ｉ／Ｏポートからなるマイクロコンピュータによって構成されている。
【００２１】
図３はこの発明の帰属度判別装置の処理概要を示すブロック図であり、このブロック図に基づいて本装置の処理の概要を説明する。
まず、知識獲得プロセスについて説明する。
本装置による帰属度の判別においては、上記各群（疾患）ｉ：１，２，…，１４ごとに多数の良質の知識獲得データＤｉ：Ｄ１，Ｄ２，…，Ｄ１４を確保しておくことが必要である。
【００２２】
この知識獲得データ群Ｄｉは、β−サラセミア，鉄欠乏性貧血，２次性貧血▲１▼，２次性貧血▲２▼，２次性貧血▲３▼，再生不良性貧血＋ＭＤＳ，溶血性貧血▲１▼，溶血性貧血▲２▼，巨赤芽球性貧血，鉄欠乏性貧血治療中，臍帯血，多血症，正常（成人），及び正常（小児）の１４群に所属する人の血液を実際に分析し、各群に属する人のＷＢＣ，ＲＢＣ，ＨＧＢ，ＭＣＶ，ＭＣＨＣ，ＰＬＴ，ＲＤＷの７種の血液測定データをそれぞれ記録したものである。この知識獲得データ群Ｄｉは、データベース１０に格納されている。
【００２３】
２群判別分析装置１２は、データベース１０からこの知識獲得データ群Ｄｉを読み出し、この知識獲得データ群Ｄｉの全ての２群対の組み合わせについて２群判別分析を行い、線形判別関数Ｆｉｊなどの知識を獲得する。獲得された知識は記憶装置１４に記憶される。
【００２４】
次に、判別診断プロセスについて説明する。
制御装置１６は、未知の被検データＸを取り込み、被検データＸと獲得された知識とから被検データＸが各疾患に属する可能性を、２群判別結果Ａｉｊ及びその支持度合Ｓｉｊの数値として算出する。この被検データＸとは、どの疾患に属するのかを調べようとする患者の実際のＷＢＣ，ＲＢＣ，ＨＧＢ，ＭＣＶ，ＭＣＨＣ，ＰＬＴ，ＲＤＷの７種の血液データである。
【００２５】
数値として算出された各疾患に属する可能性の結果は、各群ごとに集計され、帰属度Ｋｉとして出力装置１８に出力される。本装置においては、未知の被検データＸと上記獲得された知識とから疾患の判別を行う。
【００２６】
図４は上記知識獲得プロセスと判別診断プロセスの詳細を示すブロック図である。図において、知識獲得プロセスはブロック２０で示し、判別診断プロセスはブロック２２で示す。以下、このブロック図を参照しながら本装置の処理について詳述する。
【００２７】
２群判別分析装置１２では、具体的には１４群、すなわち知識獲得データＤ１，Ｄ２，…，Ｄ１４のすべての２群対について、２群線形判別分析を行う。２群対の組み合わせ（ｉ，ｊ）は全部で₁₄Ｃ₂＝（１４×１３）／２＝９１通りある。その組み合わせに対応して２群を分画するための線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）も９１通り必要となる。
【００２８】
線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）は次式のようになる。
Fij(X1,X2,…,X7)=aij₀+aij₁X1+aij₂X2+…+aij₇X7 式（１）
ただし、aij₀,aij₁,aij₂,…,aij₇は係数、X1,X2,…,X7 は変数とする。
【００２９】
知識獲得データの疾患群Ｄｉ，Ｄｊを最良に判断する線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）を求める方法、すなわち、上記係数ａｉｊ₀，ａｉｊ₁ａｉｊ₂，…，ａｉｊ₇を求めるには、公知の方法を用いることができる。また、知識獲得データの疾患群Ｄｉ，Ｄｊの各平均値行列Ｙｉ，Ｙｊ、各分散共分散行列Ｓｉ，Ｓｊ、相関比を求める方法も公知である。これらの行列Ｙｉ，Ｙｊ，Ｓｉ，Ｓｊは、後述の被検データの群ｉ，ｊへのマハラノビス距離の２乗Ｍｉ，Ｍｊを算出する際に用いられる。
【００３０】
以上の２群対（ｉ，ｊ）ごとに得られた線形判別関数式の係数ａｉｊ₀，ａｉｊ₁，ａｉｊ₂，…，ａｉｊ₇，平均値行列Ｙｉ，Ｙｊ、分散共分散行列Ｓｉ，Ｓｊ、及び相関比が、本装置で用いる獲得された知識となる。
【００３１】
制御装置１６では、被検データＸと獲得された知識とから被検データＸが各疾患に属する可能性を数値として算出する。
すなわち、疾患の２群対（ｉ，ｊ）を選び、被検データＸとその２群対に対応する線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）から、被検データＸが疾患ｉに属するのか、疾患ｊに属するのかを求める。この場合、疾患ｉに属すると判別されたときはＡｉｊ＝１とし、疾患ｊと判別されたときはＡｉｊ＝０とする。この２群判別結果Ａｉｊは、被検データＸ：（Ｘ１，Ｘ２，…，Ｘ７）を上記式（１）に代入して得られる判別関数値の正負により決定できる。
【００３２】
疾患ｉに属する可能性の度合Ｋｉを算出するのに、上記２群判別結果Ａｉｊの情報だけを用いて可能性度合Ｋｉを求めることが可能である。しかし、一般に精度はあまり良くない。なぜなら、大差で判別される場合と僅差で判別される場合があるが、その点が考慮されないからである。
【００３３】
そこで、本発明では、群ｉと群ｊの２群判別結果に対する支持度合Ｓｉｊの概念を導入し、同じ２群判別結果でも、どの程度の判別度合かを考慮できるようにした。２群判別結果の支持度合は、２群判別結果の程度を表すものであり、０〜１の値をとる。この支持度合が１に近いほど２群判別結果に対する支持度合が高い、つまり大差で判別されたことを示し、支持度合が０に近いほど２群判別結果に対する支持度合が低い、つまり僅差で判別されたことを示す。
【００３４】
以下、具体的な２群判別結果の支持度合Ｓｉｊの算出例を説明する、なお、この説明においては、判別関数の確信度Ｃｉｊ、重要度Ｗｉｊ、２群判別度合Ｒｉｊに分けて、それぞれ説明する。
【００３５】
（１）判別関数の確信度Ｃｉｊの算出方法
判別関数の獲得は、当然ながら現実のデータから行われるため、各群の知識獲得データの質が知識である判別関数に大きく影響する。２群判別分析では、得られた２群線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）の判別性能を表すのに相関比を使用することがある。
【００３６】
この相関比は、群ｉと群ｊの２群を判別する線形判別式に、被検データＸを代入して得られる判別関数値Ｚの両群の度数分布を求め、各群ごとの判別関数値の平均値Ｙｉ，Ｙｊ，分散σ_i ²，σ_j ²（サンプル数：ｎｉ，ｎｊ）と、両群全体の平均値Ｙ_T、分散σ_T ²（サンプル数：ｎ_T（＝ｎ_i＋ｎ_j））を算出する。
【００３７】
ここで、級内分散をσ_W ²とすると、級内分散σ_W ²は
σ_W ²＝（ｎ_iσ_i ²＋ｎ_jσ_j ²）／ｎ_T
級間分散をσ_B ²とすると、級間分散σ_B ²は
σ_B ²＝（ｎ_i（Ｙ_i−Ｙ_T）²＋ｎ_j（Ｙ_j−Ｙ_T）²）／ｎ_T
となる。
【００３８】
また、σ_T ²＝σ_W ²＋σ_B ²となるので、相関比は、次のように算出される。
相関比Ｃｉｊ＝σ_B ²／σ_T ² （０＜相関比＜１）
この相関比は、判別能力が高ければ級間分散が大きく、級内分散が小さくなるため、１に近い値となる。この相関比を判別関数の確信度Ｃｉｊとする。
【００３９】
（２）重要度Ｗｉｊの設定
被検データＸに対するｉ群への帰属度は、全１４群の内、群ｉと群ｉを除く１３群との２群対の線形判別の結果として求められる。群ｉへの帰属度を算出する際、一般的には１３組（この実施例においては、１つの群に関して１３組の２群対が存在する）の２群対に対して重要度に差がある場合が普通である。たとえば、鉄欠乏性貧血群への帰属度を算出する際に、β−サラセミア群、正常群などの類似群との判別は、臨床的に重要であるが、多血症群などとの判別は情報的にもあまり価値がないし、臨床的重要度も低い。このような関係を１３点満点（この実施例においては、１つの群に関して１３組の２群対が存在するため）で各２群対に重要度Ｗｉｊとして割り当てる。
【００４０】
（３）２群判別度合Ｒｉｊの算出方法
被検データＸの疾患群ｉ，ｊへのマハラノビス距離の２乗Ｍｉ，Ｍｊを算出する。
【００４１】
疾患ｉへのマハラノビス距離の２乗Ｍｉは、よく知られているように、被検データＸ、知識獲得で得られた疾患ｉ群の平均値行列Ｙｉ，分散共分散行列Ｓｉとから次式で求められる。
Ｍｉ＝^t（Ｘ−Ｙｉ）Ｓｉ^-1（Ｘ−Ｙｉ）
ただし、^tは転置行列、^-1は逆行列を表す。
疾患ｊへのマハラノビス距離の２乗Ｍｊも同様にして求められる。
【００４２】
２つのマハラノビス距離の２乗からＭｉのＭｊに対する相対的なマハラノビス距離の２乗比ＭＲｉｊを設定し、その値ＭＲｉｊを関数ｆにより０〜１の値に変換し、２群判別度合Ｒｉｊとする。
【００４３】
たとえば、ＭＲｉｊ（＝Ｍｊ／Ｍｉ）をｘとして、
【数１】

ただし、ｘ≦１のときは、Ｒｉｊ＝０とする。
で算出する。
【００４４】
図５は上記関数ｆ（ｘ）のグラフである。この関数ｆ（ｘ）は正規化のための関数の一例で、１〜∞の値をとるＭＲｉｊを、０〜１に連続的に変換することができる。
【００４５】
定数−0.366 の根拠は、被検データＸのｉ，ｊ群へのマハラノビス距離の比が２のとき（ｉ群への距離に対して、ｊ群への距離が２倍のとき：ＭＲｉｊは２乗であるので４とする）に、２群判別度合Ｒｉｊが０．５となるように設定されている。この定数−0.366 に関しては、判別する群の相対的な近さにより変更する必要がある。
なお、他に、知識獲得データに２群線形判別式を適用したときの判別的中率を用いる方法もある。
【００４６】
以上の結果より、判別結果に対する支持度合Ｓｉｊを
Ｓｉｊ＝Ｒｉｊ×Ｃｉｊ×Ｗｉｊ
で求め、次式でｉ群に対する帰属度Ｋｉを算出する。
【数２】

ただし、ｎ＝１４，ｊ≠ｉとする。また、Ａｉｊ＝１の場合は疾患ｉ側に判別されたとき、Ａｉｊ＝０の場合は疾患ｊ側に判別されたときである。
上記の帰属度Ｋｉは、０≦Ｋｉ≦１となる。
【００４７】
支持度合Ｓｉｊは、２群判別度合Ｒｉｊだけでも従来よりも判別精度を良くすることができるが、判別関数の確信度Ｃｉｊも考慮すると（Ｓｉｊ＝Ｒｉｊ×Ｃｉｊ）、知識獲得データの実状にあったものとなる。
そして、さらに重要度Ｗｉｊまで考慮すると（Ｓｉｊ＝Ｒｉｊ×Ｃｉｊ×Ｗｉｊ）、より一層人間の判断に近づけることが可能である。
【００４８】
次に、このような処理動作の内容を図６及び図７に示すフローチャートに基づいて説明する。
図６は知識獲得プロセスと判別診断プロセスの全体の処理内容を示すフローチャートである。
【００４９】
この図に示すように、本装置の処理では、まず、知識獲得プロセスにおいて、知識獲得データ群Ｄｉから、各２群対ごとに、線形判別関数Ｆｉｊ，平均値行列Ｙｉ，分散共分散行列Ｓｉ，相関比Ｃｉｊを獲得する（ステップ３１）。
【００５０】
次に、各２群対ごとの重要度Ｗｉｊを設定する（ステップ３２）。なお、この重要度Ｗｉｊは、知識獲得データ群Ｄｉと共に、あらかじめ設定しておいてもよい。
【００５１】
そして、判別診断プロセスにおいて、これらの線形判別関数Ｆｉｊ，平均値行列Ｙｉ，分散共分散行列Ｓｉ，相関比Ｃｉｊ，重要度Ｗｉｊを用いて、被検データＸに対して多群判別を行う（ステップ３３）。
【００５２】
図７は判別診断プロセスの詳細内容を示すフローチャートである。
判別診断プロセスの処理においては、まず、被検データＸが入力されると（ステップ４１）、任意の群ｉを指定し（ステップ４２）、被検データＸを線形判別関数式Ｆｉｊに代入し、２群判別結果Ａｉｊを決定する（ステップ４３）。
【００５３】
続いて、被検データＸと、平均値行列Ｙｉ及び分散共分散行列Ｓｉとから、マハラノビスの距離Ｍｉ，Ｍｊを算出し（ステップ４４）、マハラノビスの距離Ｍｉ，Ｍｊの２乗比ＭＲｉｊに基づいて、２群判別度合Ｒｉｊを算出する（ステップ４５）。
次に、相関比Ｃｉｊ，重要度Ｗｉｊ，２群判別度合Ｒｉｊにより、２群判別結果Ａｉｊの支持度合Ｓｉｊを算出する（ステップ４６）。
【００５４】
ここで、指定群ｉについての全組み合わせｉｊ（ただし、ｊ≠ｉ）が終了したか否かを調べ（ステップ４７）、終了すれば、２群判別結果Ａｉｊとその２群判別結果の支持度合Ｓｉｊとから、指定群ｉの帰属度Ｋｉを算出する（ステップ４８）。
【００５５】
そして、すべての群ｉについて終了したのか否かを調べ（ステップ４９）、すべての群ｉについて終了すれば、帰属度Ｋｉを値の高い順に並び換え（ステップ５０）、最も可能性の高い群ｉを決定する（ステップ５１）。
【００５６】
以上の処理を実際に行った場合の出力帳票の例を図８〜図１０に示す。これらの図に示したものは、２次性貧血▲３▼の疾患を有する検体を被検データとし、上記のプロセスを経て各群の帰属度Ｋｉを求めたものである。
【００５７】
これらの図の内、図８は２群判別結果だけを用いて２群判別結果の支持度合Ｓｉｊを考慮しない場合（支持モード：なし）の例を示し、図９は２群判別結果の支持度合Ｓｉｊの内、２群判別度合Ｒｉｊだけを考慮した場合（支持モード：距離比）を示し、図１０は２群判別結果の支持度合Ｓｉｊの内、２群判別度合Ｒｉｊと判別関数の確信度Ｃｉｊを考慮した場合（支持モード：距離比，相関比）を示している。
【００５８】
各モードにおける帰属度Ｋｉの算出式は次のようになる。
支持モード：なしの場合
【数３】

支持モード：距離比の場合
【数４】

支持モード：距離比，相関比の場合
【数５】

【００５９】
判別結果の支持度合Ｓｉｊを考慮しない場合には、図８に示すように、２次性貧血▲３▼群と溶血性貧血▲１▼の帰属度Ｋｉが同じであったが、判別結果の支持度合Ｓｉｊを考慮した場合には、図９の２群判別度合Ｒｉｊだけを考慮した場合、及び図１０の２群判別度合Ｒｉｊと判別関数の確信度Ｃｉｊとの双方を考慮した場合ともに、２次性貧血▲３▼の帰属度Ｋｉが第１位となっている。
【００６０】
さらに、支持度合Ｓｉｊについて、判別関数の確信度Ｃｉｊを考慮しない場合（図９）と考慮した場合（図１０）とを比べると、考慮した場合（図１０）の方が１位、２位の差が相対的に大きくなっている。
【００６１】
このようにして、知識獲得データ群Ｄ１，…，Ｄｎから、すべての２群対の組み合わせに対して２群判別分析を行い、知識となる判別関数Ｆｉｊを得る。そして、この判別関数Ｆｉｊを用いて未知の被検データＸについて全組み合わせの２群判別分析を行い、２群判別結果Ａｉｊ、支持度合Ｓｉｊを得、この２群判別結果Ａｉｊと支持度合Ｓｉｊとから被検データＸの各群に対する帰属度Ｋｉを算出することにより、獲得知識の実状にあった適確な疾患群の判別を行うことができる。
【００６２】
【発明の効果】
この発明によれば、多数の疾患群の中から任意の２群を選択し、選択した２群を最適に２分する線形判別関数を設定し、その線形判別関数を用いて被検データが２群の内どちらの群に属するのかの２群判別結果を得るとともに、その２群判別結果の支持度合を得、得られた２群判別結果と支持度合とに基づいて、被検データの各群に対する帰属度を算出するようにしたので、獲得知識の実状にあった的確な疾患群の判別が可能となる。
【図面の簡単な説明】
【図１】この発明の構成を示すブロック図である。
【図２】この発明による帰属度判別装置の一実施例の構成を示すブロック図である。
【図３】この発明の帰属度判別装置の処理概要を示すブロック図である。
【図４】知識獲得プロセスと判別診断プロセスの詳細を示すブロック図である。
【図５】２群判別度合Ｒｉｊの関数ｆ（ｘ）を示すグラフである。
【図６】知識獲得プロセスと判別診断プロセスの全体の処理内容を示すフローチャートである。
【図７】判別診断プロセスの詳細内容を示すフローチャートである。
【図８】実際に帰属度の判別を行った場合の出力帳票（支持モード：なし）の例を示す説明図である。
【図９】実際に帰属度の判別を行った場合の出力帳票（支持モード：距離比）の例を示す説明図である。
【図１０】実際に帰属度の判別を行った場合の出力帳票（支持モード：距離比，相関比）の例を示す説明図である。
【符号の説明】
１０データベース
１２２群判別分析装置
１４記憶装置
１６制御装置
１８出力装置[0001]
[Industrial application fields]
The present invention relates to an belonging degree discriminating apparatus that discriminates to which group test data belongs by integrating the analysis results of the two-group linear discrimination and performing multi-group discrimination. This device is effectively used, for example, for diagnosis of a disease (diagnosis of which disease group a patient belongs to).
[0002]
[Prior art]
The two-group linear discriminant analysis is a very popular method as a method of statistically discriminating which group of the two groups the subject of interest belongs to. In addition, from the viewpoint of knowledge acquisition, this two-group linear discriminant analysis ultimately determines which group of the two groups belongs to the positive or negative of the discriminant value of the two-group linear discriminant function. High compression ratio.
[0003]
On the other hand, as a method (diagnostic system) for determining one group out of many possible groups for certain disease data, a method of a priori implementation with symbolized knowledge represented by an expert system and an inference engine, There are a method of using learning of a neural network and a method of inductive realization such as multigroup discrimination as an application of multivariate analysis.
[0004]
Considering what kind of thinking process a human, for example, a skilled specialist decides one group out of many groups, never decides one group at a time from many groups, but several groups of possible groups It seems that the most “probable” group is determined by narrowing down to and comparing them with each other. Such a process is generally called a “preference process” and is relatively good at humans.
[0005]
Regarding such multi-group pattern recognition, the IEICE Transactions A Vol.J72-A No.1 pp.41-48 (January 1989) describes multi-group pattern recognition by pair discrimination. .
[0006]
In recognition of this multi-group pattern, discrimination between two groups is performed for all pairs, and these results are integrated to obtain a determination result for a multi-group. That is, instead of assuming a covariance matrix common to all groups, a covariance matrix is assumed for each pair, and Mahalanobis distances Di ² and Dj ² from each group Πi and Πj with respect to the unknown input pattern x. Then, post-establishment P (Πi | x), P (Πj | x) is calculated, and the Mahalanobis distances Di ² and Dj ² are calculated from the magnitudes of the post-establishment P (Πi | x) and P (Πj | x). A discrimination result is output, standardized (standardized versus statistics), integrated, and finally a classification result of the unknown input pattern x is obtained. However, no specific calculation method is described for the post-establishment P (確立 i | x) and P (Πj | x).
[0007]
Furthermore, here, as a method for obtaining a final result, a majority method, a minimax method, and a method based on an expected value are shown. The majority method is to collect the two-group discrimination results and try to obtain a correct answer by majority vote. The minimax method is effective when the number of groups is large, and the maximum value is obtained from the Mahalanobis distance, and when the distance increases, it is denied that the group belongs to that group. The expected value method is a method that takes the expected value of the standardization versus statistics for the group Πi and sets the group that gives the best result as the solution.
[0008]
[Problems to be solved by the invention]
However, in such conventional multi-group discrimination, for example, when a system for actually discriminating each disease is constructed, it is obtained due to the difference in data quality used for knowledge acquisition (calculation of linear discriminant function, etc.). It is normal that the credibility of the given linear discriminant function is different.
[0009]
In actual disease discrimination, there are two-group discrimination for combinations with very important meanings and two-group discrimination for combinations with little meaning, and consider two-group discrimination for all combinations equally. Is not preferred. The specialist seems to be doing such a process unconsciously based on experience.
The above is a very important point for an actual multi-group discrimination system, particularly a system for discriminating diseases.
[0010]
The present invention has been made in consideration of such circumstances. By calculating the group to which the test data belongs in the multi-group by the 2-group linear discrimination, at the same time, for each discrimination of the combination of each 2 groups. Further, the present invention relates to a degree-of-attachment discriminating apparatus which can determine the degree of belonging with higher reliability than before by determining the degree of support and determining the degree of belonging of test data with reference to the degree of support.
[0011]
[Means for Solving the Problems]
FIG. 1 is a block diagram showing the configuration of the present invention. As shown in the figure, the present invention is an attribution degree discriminating apparatus used for disease discrimination, in which disease data of each group is preliminarily stored for a number of disease groups. Stored storage means 101, and a linear discriminant function that selects any two groups from among a large number of disease groups stored in storage means 101 for all combinations, and optimally bisects each selected two groups, Using the discriminant function setting means 102 set for each two groups and the linear discriminant function for each two groups set by the discriminant function setting means 102, the test data belongs to which group for each two groups 2 group discrimination result calculation means 103 for calculating the 2 group discrimination result of No. 2; support degree determination means 104 for determining the support degree of the 2 group discrimination result by the 2 group discrimination result calculation means 103 for each 2 groups; 2 groups per group Based on the different results and support degree, it has a degree of membership calculation means 105 for calculating the degree of membership of the test data for each group, output devices attribution degree of the test data for each group were calculated attribution degree calculating unit 105 It is an attribution degree discriminating device that outputs to
[0012]
As the storage means 101 in the present invention, various external storage devices such as a floppy disk device and a magnetic disk device can be used.
As the discrimination function setting means 102, the 2-group discrimination result calculation means 103, the support level determination means 104, and the attribution level calculation means 105, a microcomputer comprising a CPU, a ROM, a RAM, and an I / O port can be used.
[0013]
In the present invention, the degree of support by the degree-of-support determining means 104 is quantified as a two-group discriminating degree obtained by quantifying the degree of whether it is discriminated with a small difference or with a large difference, and the degree of probability of the linear discriminant function. Preferably, it is determined by considering at least one of the three factors of the certainty of the discriminant function and the importance obtained by quantifying the importance of the two groups to be discriminated.
[0014]
Further, the two-group discrimination degree in the support degree of the support degree determining means 104 is obtained by calculating the square of the Mahalanobis distance to each two groups of the test data, obtaining a distance ratio of those numerical values, and normalizing the distance ratio. It is preferable that it is calculated | required by making a thing into 2 group discrimination | determination degree.
[0015]
Further, the certainty factor of the discriminant function in the support level of the support level determining unit 104 is a correlation ratio that is one of the evaluation indexes of the discrimination performance when the linear discriminant function is set for each of the two groups by the discriminant function setting unit. Is preferably determined by:
[0016]
[Action]
According to the present invention, the discriminant function setting means selects two arbitrary groups from among a large number of groups stored in the storage means, and sets a linear discriminant function that optimally bisects the selected two groups. Next, using the linear discriminant function, the second group discriminant result calculating means obtains the second group discriminant result of which of the two groups the test data belongs, and the support degree determining means 2 The degree of support of the group discrimination result is obtained, and this is performed for all combinations of two groups.
[0017]
Then, based on the obtained two-group discrimination result and the degree of support, the degree of belonging to each group of the test data is calculated. This makes it possible to accurately identify a disease group that matches the actual state of acquired knowledge.
[0018]
【Example】
Hereinafter, the present invention will be described in detail based on embodiments shown in the drawings. However, this does not limit the present invention.
[0019]
In this example, WBC (white blood cell count), RBC (red blood cell count), HGB (hemoglobin content), MCV (average red blood cell volume), MCHC (average red blood cell hemoglobin concentration), PLT (platelet count) obtained from the blood analyzer. ), RDW (red blood cell distribution width) using 7 kinds of measurement data, 7-dimensional test data X (= X1, X2, X3, X4, X5, X6, X7) is β-thalassemia, iron deficiency Anemia, secondary anemia (1), secondary anemia (2), secondary anemia (3), aplastic anemia + MDS, hemolytic anemia (1), hemolytic anemia (2), giant erythroblast A case will be described in which a group (disease) belonging to 14 groups of umbilical cord blood, polycythemia, normal (adult), and normal (child) is determined during treatment of anemia and iron deficiency anemia.
[0020]
FIG. 2 is a block diagram showing a configuration of an embodiment of the belonging degree discriminating apparatus according to the present invention. In this figure, 10 is a database composed of various external storage devices such as a floppy disk device and a magnetic disk device, 12 is a two-group discriminant analysis device, 14 is a storage device such as a RAM, 16 is a control device, 18 Is an output device comprising a display device such as a CRT display device or a printing device such as a dot printer. The two-group discriminant analysis device 12 and the control device 16 are constituted by a microcomputer comprising a CPU, a ROM, a RAM, and an I / O port.
[0021]
FIG. 3 is a block diagram showing an outline of the process of the belonging degree discriminating apparatus of the present invention. The outline of the process of the present apparatus will be described based on this block diagram.
First, the knowledge acquisition process will be described.
In the determination of the degree of attribution by this apparatus, it is necessary to secure a large number of high-quality knowledge acquisition data Di: D1, D2,..., D14 for each group (disease) i: 1, 2,. is necessary.
[0022]
This knowledge acquisition data group Di includes β-thalassemia, iron deficiency anemia, secondary anemia (1), secondary anemia (2), secondary anemia (3), aplastic anemia + MDS, hemolytic anemia (1), hemolytic anemia (2), megaloblastic anemia, iron deficiency anemia, umbilical cord blood, polycythemia, normal (adult) and normal (children) belonging to 14 groups The blood is actually analyzed, and seven types of blood measurement data of WBC, RBC, HGB, MCV, MCHC, PLT, and RDW of each person belonging to each group are recorded. This knowledge acquisition data group Di is stored in the database 10.
[0023]
The two-group discriminant analyzer 12 reads out this knowledge acquisition data group Di from the database 10, performs a two-group discriminant analysis on all combinations of two groups of the knowledge acquisition data group Di, and acquires knowledge such as the linear discriminant function Fij. To win. The acquired knowledge is stored in the storage device 14.
[0024]
Next, the discrimination diagnosis process will be described.
The control device 16 takes in the unknown test data X, and determines the possibility that the test data X belongs to each disease from the test data X and the acquired knowledge, and is a numerical value of the second group discrimination result Aij and its support level Sij. Calculate as The test data X is seven kinds of blood data of actual WBC, RBC, HGB, MCV, MCHC, PLT, and RDW of a patient to be examined for which disease.
[0025]
The result of possibility of belonging to each disease calculated as a numerical value is totaled for each group, and is output to the output device 18 as the degree of belonging Ki. In this apparatus, the disease is discriminated from the unknown test data X and the acquired knowledge.
[0026]
FIG. 4 is a block diagram showing details of the knowledge acquisition process and the discrimination diagnosis process. In the figure, the knowledge acquisition process is indicated by block 20 and the discriminative diagnosis process is indicated by block 22. Hereinafter, the processing of this apparatus will be described in detail with reference to this block diagram.
[0027]
Specifically, the two-group discriminant analyzer 12 performs the two-group linear discriminant analysis on all 14 groups, that is, all 2 group pairs of the knowledge acquisition data D1, D2,. There are a total of ₁₄ C ₂ = (14 × 13) / 2 = 91 combinations of the two groups of pairs (i, j). 91 kinds of linear discriminant functions Fij (X1, X2,..., X7) for fractionating the two groups corresponding to the combinations are also required.
[0028]
The linear discriminant function Fij (X1, X2,..., X7) is as follows.
Fij (X1, X2, ..., X7) = aij ₀ + aij ₁ X1 + aij ₂ X2 + ... + aij ₇ X7 Equation (1)
Here, aij ₀ , aij ₁ , aij ₂ ,..., Aij ₇ are coefficients, and X1, X2,.
[0029]
Linear discriminant function Fij (X1, X2, ..., X7) for determining disease group Di of knowledge acquisition data, a Dj best method of obtaining a, i.e., the coefficients _{_{_{aij 0, aij 1 aij 2,}}} ..., to determine the aij ₇ A known method can be used. Also, a method for obtaining each average value matrix Yi, Yj, each variance-covariance matrix Si, Sj, and correlation ratio of the disease groups Di, Dj of the knowledge acquisition data is also known. These matrices Yi, Yj, Si, Sj are used when calculating squares Mi, Mj of Mahalanobis distances to groups i, j of test data described later.
[0030]
The coefficients aij ₀ , aij ₁ , aij ₂ ,..., Aij _{7 of} the linear discriminant function equations obtained for each of the above two group pairs (i, j), mean value matrices Yi, Yj, variance-covariance matrices Si, Sj, And the correlation ratio is the acquired knowledge used in the present apparatus.
[0031]
The control device 16 calculates the possibility that the test data X belongs to each disease from the test data X and the acquired knowledge as a numerical value.
That is, two groups of diseases (i, j) are selected, and from the test data X and the linear discriminant function Fij (X1, X2,..., X7) corresponding to the two groups of pairs, the test data X becomes the disease i. It is determined whether it belongs to the disease j. In this case, Aij = 1 when it is determined to belong to the disease i, and Aij = 0 when it is determined to be the disease j. This two-group discrimination result Aij can be determined by the sign of the discriminant function value obtained by substituting the test data X: (X1, X2,..., X7) into the above equation (1).
[0032]
In order to calculate the degree Ki of the possibility of belonging to the disease i, it is possible to obtain the possibility degree Ki using only the information of the second group discrimination result Aij. However, accuracy is generally not very good. This is because there is a case where the discrimination is made with a large difference and a case where the discrimination is made with a slight difference, but this point is not taken into consideration.
[0033]
Therefore, in the present invention, the concept of the degree of support Sij for the two-group discrimination result of the group i and the group j is introduced so that the degree of discrimination can be considered even with the same two-group discrimination result. The support level of the second group discrimination result represents the degree of the second group discrimination result, and takes a value of 0 to 1. The closer the support level is to 1, the higher the support level for the second group discrimination result is, that is, it is discriminated by a large difference. The closer the support level is to 0, the lower the support level for the second group discrimination result is, that is, the discriminant is a little difference. It shows that.
[0034]
Hereinafter, a specific example of calculating the support level Sij of the second group discrimination result will be described. In this description, the discriminant function confidence level Cij, the importance level Wij, and the second group discrimination level Rij will be described separately. .
[0035]
(1) Method of calculating discriminant function confidence Cij Since the acquisition of the discriminant function is naturally performed from the actual data, the quality of the knowledge acquisition data of each group greatly affects the discriminant function that is knowledge. In the two-group discriminant analysis, a correlation ratio may be used to represent the discrimination performance of the obtained two-group linear discriminant function Fij (X1, X2,..., X7).
[0036]
This correlation ratio is obtained by obtaining the frequency distribution of both groups of the discriminant function value Z obtained by substituting the test data X into the linear discriminant for discriminating between the two groups i and j. Average values Yi, Yj, variances σ _i ² , σ _j ² (number of samples: ni, nj) and average values Y _T and variances σ _T ² (number of samples: n _T (= n _i + n) of both groups. _j ))) is calculated.
[0037]
Here, when the intra-class variance is σ _W ² , the intra-class variance σ _W ² is σ _W ² = (n _i σ _i ² + n _j σ _j ² ) / n _T
When the inter-class variance is σ _B ² , the inter-class variance σ _B ² is σ _B ² = (n _i (Y _i −Y _T ) ² + n _j (Y _j −Y _T ) ² ) / n _T
It becomes.
[0038]
Since σ _T ² = σ _W ² + σ _B ² , the correlation ratio is calculated as follows.
Correlation ratio Cij = σ _B ² / σ _T ² (0 <correlation ratio <1)
This correlation ratio is close to 1 because the interclass variance is large and the intraclass variance is small if the discrimination ability is high. This correlation ratio is defined as a certainty factor Cij of the discriminant function.
[0039]
(2) Setting of Importance Wij The degree of belonging to group i with respect to test data X is obtained as a result of two-group linear discrimination between group i and group 13 excluding group i out of all 14 groups. When calculating the degree of belonging to group i, there is generally a difference in importance for two groups of 13 groups (in this example, there are 13 groups of 2 group pairs for one group). Some cases are common. For example, when calculating the degree of belonging to an iron deficiency anemia group, discrimination from similar groups such as β-thalassemia group and normal group is clinically important. It is not very informative and has little clinical importance. Such a relationship is assigned as importance Wij to each of the two group pairs with a full score of 13 (in this embodiment, because there are 13 pairs of two group pairs for one group).
[0040]
(3) Method for calculating the 2-group discrimination degree Rij The squares Mi and Mj of the Mahalanobis distance to the disease groups i and j in the test data X are calculated.
[0041]
As is well known, the square Mi of the Mahalanobis distance to the disease i is expressed by the following equation from the test data X, the mean value matrix Yi of the disease i group obtained by knowledge acquisition, and the variance-covariance matrix Si. Desired.
Mi = ^t (X−Yi) Si ⁻¹ (X−Yi)
Where ^t is a transposed matrix and ^-1 is an inverse matrix.
The square Mj of the Mahalanobis distance to the disease j is obtained in the same manner.
[0042]
A square ratio MRij of the Mahalanobis distance relative to Mj from the square of the two Mahalanobis distances is set, and the value MRij is converted into a value of 0 to 1 by the function f to obtain the second group discrimination degree Rij.
[0043]
For example, let MRij (= Mj / Mi) be x,
[Expression 1]

However, when x ≦ 1, Rij = 0.
Calculate with
[0044]
FIG. 5 is a graph of the function f (x). This function f (x) is an example of a function for normalization, and MRij having a value of 1 to ∞ can be continuously converted to 0 to 1.
[0045]
The basis of the constant −0.366 is that when the ratio of the Mahalanobis distance to the i and j groups of the test data X is 2 (when the distance to the j group is twice the distance to the i group: MRij is 2 It is set so that the second group discrimination degree Rij is 0.5. This constant -0.366 needs to be changed depending on the relative proximity of the group to be discriminated.
In addition, there is another method that uses a discriminant probability when a two-group linear discriminant is applied to knowledge acquisition data.
[0046]
From the above results, the support degree Sij for the discrimination result is expressed as Sij = Rij × Cij × Wij.
And the degree of attribution Ki for the i group is calculated by the following equation.
[Expression 2]

However, n = 14 and j ≠ i. Further, when Aij = 1, it is determined that the disease is on the disease i side, and when Aij = 0 is determined when it is determined on the disease j side.
The degree of attribution Ki is 0 ≦ Ki ≦ 1.
[0047]
The support degree Sij can improve the discrimination accuracy compared to the conventional case only with the two-group discrimination degree Rij, but considering the certainty Cij of the discrimination function (Sij = Rij × Cij), it was in the actual state of knowledge acquisition data. It will be a thing.
Further, when considering the importance Wij (Sij = Rij × Cij × Wij), it is possible to make it closer to human judgment.
[0048]
Next, the contents of such processing operation will be described based on the flowcharts shown in FIGS.
FIG. 6 is a flowchart showing the entire processing contents of the knowledge acquisition process and the discrimination diagnosis process.
[0049]
As shown in this figure, in the processing of this apparatus, first, in the knowledge acquisition process, from the knowledge acquisition data group Di, for each two group pairs, linear discriminant function Fij, mean value matrix Yi, variance covariance matrix Si, A correlation ratio Cij is acquired (step 31).
[0050]
Next, the importance Wij for each pair of two groups is set (step 32). The importance Wij may be set in advance together with the knowledge acquisition data group Di.
[0051]
In the discriminant diagnosis process, multi-group discrimination is performed on the test data X using the linear discriminant function Fij, the mean value matrix Yi, the variance-covariance matrix Si, the correlation ratio Cij, and the importance Wij (step) 33).
[0052]
FIG. 7 is a flowchart showing the detailed contents of the discrimination diagnosis process.
In the process of the discriminant diagnosis process, first, when test data X is input (step 41), an arbitrary group i is designated (step 42), and the test data X is substituted into the linear discriminant function expression Fij. The second group discrimination result Aij is determined (step 43).
[0053]
Subsequently, Mahalanobis distances Mi and Mj are calculated from the test data X, the mean value matrix Yi and the variance-covariance matrix Si (step 44), and based on the square ratio MRij of the Mahalanobis distances Mi and Mj. The second group discrimination degree Rij is calculated (step 45).
Next, the support degree Sij of the second group discrimination result Aij is calculated from the correlation ratio Cij, the importance degree Wij, and the second group discrimination degree Rij (step 46).
[0054]
Here, it is checked whether or not all combinations ij (where j ≠ i) for the designated group i have been completed (step 47), and if completed, the second group discrimination result Aij and the support level Sij of the second group discrimination result. From the above, the degree of attribution Ki of the designated group i is calculated (step 48).
[0055]
Then, it is checked whether or not all groups i have been completed (step 49). If all groups i have been completed, the belonging degree Ki is rearranged in descending order (step 50), and the most likely group i is determined. Is determined (step 51).
[0056]
Examples of output forms when the above processing is actually performed are shown in FIGS. In these figures, specimens having a disease of secondary anemia (3) are used as test data, and the degree of membership Ki of each group is obtained through the above process.
[0057]
Of these figures, FIG. 8 shows an example in which the support level Sij of the second group discrimination result is not considered using only the second group discrimination result (support mode: none), and FIG. 9 shows the support level of the second group discrimination result. FIG. 10 shows a case where only the second group discrimination degree Rij is considered (support mode: distance ratio) in Sij, and FIG. 10 shows the second group discrimination degree Rij and the discriminant function confidence Cij among the support degrees Sij of the second group discrimination result. (Support mode: distance ratio, correlation ratio) is shown.
[0058]
The calculation formula of the degree of membership Ki in each mode is as follows.
Support mode: None [Formula 3]

Support mode: Distance ratio [Equation 4]

Support mode: Distance ratio, correlation ratio [Equation 5]

[0059]
When the support level Sij of the discrimination result is not taken into consideration, as shown in FIG. 8, the attribution degree Ki of the secondary anemia <3> group and the hemolytic anemia <1> is the same. When considering the degree Sij, both the case where only the second group discrimination degree Rij in FIG. 9 is considered and the case where both the second group discrimination degree Rij and the certainty factor Cij of the discriminant function are taken into consideration are secondary. The degree of attribution Ki of sexual anemia (3) is first.
[0060]
Further, regarding the support degree Sij, when the certainty factor Cij of the discriminant function is not considered (FIG. 9) and the case (FIG. 10) is compared, the case (FIG. 10) that is considered is first and second. The difference is relatively large.
[0061]
In this way, from the knowledge acquisition data groups D1,..., Dn, the two-group discriminant analysis is performed on all combinations of two groups, and the discriminant function Fij serving as knowledge is obtained. Then, using this discriminant function Fij, the two-group discriminant analysis of all combinations is performed on the unknown test data X to obtain the second group discriminant result Aij and the support degree Sij. By calculating the degree of membership Ki for each group of the test data X, it is possible to determine an appropriate disease group in accordance with the actual state of acquired knowledge.
[0062]
【The invention's effect】
According to this invention, two arbitrary groups are selected from a large number of disease groups, a linear discriminant function that optimally bisects the selected two groups is set, and test data is 2 using the linear discriminant function. Obtaining the two-group discrimination result as to which of the groups belongs, obtaining the support level of the two-group discrimination result, and based on the obtained two-group discrimination result and the support level, each group of the test data Since the degree of belonging to is calculated, it is possible to accurately determine a disease group that matches the actual state of acquired knowledge.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration of the present invention.
FIG. 2 is a block diagram showing a configuration of an embodiment of an belonging degree discriminating apparatus according to the present invention.
FIG. 3 is a block diagram showing an outline of processing of the belonging degree discriminating apparatus of the present invention.
FIG. 4 is a block diagram showing details of a knowledge acquisition process and a discrimination diagnosis process.
FIG. 5 is a graph showing a function f (x) of the second group discrimination degree Rij.
FIG. 6 is a flowchart showing the entire processing contents of a knowledge acquisition process and a discrimination diagnosis process.
FIG. 7 is a flowchart showing detailed contents of a discrimination diagnosis process.
FIG. 8 is an explanatory diagram showing an example of an output form (support mode: none) when the attribution level is actually determined.
FIG. 9 is an explanatory diagram showing an example of an output form (support mode: distance ratio) when the belonging degree is actually determined.
FIG. 10 is an explanatory diagram showing an example of an output form (support mode: distance ratio, correlation ratio) when the attribution level is actually determined.
[Explanation of symbols]
10 Database 12 Group 2 Discriminant Analysis Device 14 Storage Device 16 Control Device 18 Output Device

Claims

An apparatus for discriminating the degree of belonging used for discrimination of a disease,
Storage means for storing disease data of each group in advance for a number of disease groups;
Arbitrary two groups are selected for all combinations from among a large number of disease groups stored in the storage means, and a linear discriminant function that optimally bisects each selected two group is set for each of the two groups. Discriminant function setting means;
A two-group discrimination result calculation means for calculating a two-group discrimination result to which group the test data belongs for each two groups using a linear discriminant function for each two groups set by the discrimination function setting means; ,
A support degree determining means for determining the support degree of the second group discrimination result by the second group discrimination result calculating means for each two groups;
Based on the two-group discrimination result and the degree of support for each two groups, it has an attribution calculation means for calculating the attribution of the test data for each group ,
An attribution degree discriminating apparatus for causing the output apparatus to output the attribution degree of the test data for each group calculated by the attribution degree calculating means .

2-group discriminating degree quantifying the degree of whether the supporting degree by the supporting degree determining means is discriminated by a small difference or a large difference, and the certainty of the discriminant function quantifying the degree of probability of the linear discriminant function 2. The degree-of-association determination according to claim 1, wherein the determination is made by considering at least one of three elements: an importance obtained by quantifying the importance of the two groups to be determined. apparatus.

The two-group discrimination degree in the support degree of the support degree determining means obtains the square of the Mahalanobis distance to each two groups of the test data, obtains a distance ratio of those numerical values, and normalizes this distance ratio to 2 3. The belonging degree discriminating apparatus according to claim 2, wherein the belonging degree discriminating apparatus is obtained by using a group discriminating degree.

The certainty of the discriminant function in the support degree of the support degree determining means is determined by the correlation ratio which is one of the evaluation indexes of the discriminating performance when the linear discriminant function is set for each of the two groups by the discriminant function setting means. The belonging degree discriminating apparatus according to claim 2.

2. The belonging degree discriminating apparatus according to claim 1, wherein the test data is blood data obtained from a blood analyzer.